Few-shot YOLOv3: Few-shot Object Detection on Optical Remote Sensing Images论文学习以及复现

写在前面

    之前复现了基于yolov2的小样本目标检测的论文，经过在其他数据集（如一些包含小目标的遥感数据集），检测效果不是很好，可能是由于v2的性能的问题，v2网络本身只有一种尺度的预测特征图，相比于从v3开始的多个预测特征图，性能逊色一些。
    下面就学习复现基于v3的小样本目标检测算法，github链接
链接: FSODM。感觉这个代码有点冷门，可能是由于作者给的说明太少吧。

环境配置

    作者没有给出代码的requirements.txt，经过实验，发现v2的版本的环境依然适用！
关于v2版本的环境配置：链接: Few-shot Object Detection via Feature Reweighting跑自己的数据集。

数据集准备

    在这里为作者点个赞，新写的代码很好，我们只需要把数据集弄成相应的格式，就是用作者的代码制作数据集啦！其实就是把Prepare dataset步骤，调试一遍就明白那些py的作用了，这里后面有时间再补充吧。

训练

    训练基本和v2版本的类似，只是有些参数位置变了，训练的时候记得改类别名称，改成自己对应的就行，目的就是能够定位到自己的数据集。这里根据代码慢慢改就行，或者先运行看，哪里报错改哪里（~ ~，我就是这样改的…)。代码结构上和v2的版本没区别，貌似就是网络结构和loss那里不同。

预训练权重

    作者没给预训练权重！解决方法:
（1）从头训练，有一说一，训练时间是真的长！！！
（2）****************************************

测试

     测试和v2差不多，如果遇到爆cuda，处理和在v2版本里遇到的问题一样：

即在执行python valid.py xxxxxxxx时，修改为：
with torch.no_grad():
meta…
训练的时候记得注释了，恢复为原来的样子。
计算AP也是和基于的v2版本一样。

实验对比

     训练相同的数据集，目标域 Mean AP可以提升0.12左右。